基于v-flow视觉单词的交通行为分析

为了在复杂交通场景分析中进行行为建模,传统的视觉单词通常只利用方向信息建立基础视觉单词,由于未对速度以及上下文状态进行特征提取,缺乏运动速度信息以及上下文信息,在行为分析过程中无法有效建模、鉴别运动目标运动轨迹细节信息相同但运动过程各异的行为。针对上述问题,提出了一种新时空视觉单词,该单词模型加入了较丰富的速度信息以及运动目标暂停上下文信息。实验结果表明,该视觉单词生成算法能有效提高交通行为分析性能。

最小加权分割路径的古籍手写汉字多步切分方法

针对古籍古文献中部分汉字易发生粘连现象,提出一种古籍手写汉字多步分割方法.该方法继承了以往粗分割和细分割相结合的思想,首先采用投影进行粗分割,将手写汉字分为粘连字符和非粘连字符两类;然后针对粘连字符串抛弃常用的串行模式,直接采用粗分割的统计信息,设置初始分割路径,并基于最短分割路径的思想,在初始分割路径的局部邻域内基于最小权值搜索并修改分割路径,从而获得最佳的加权分割路径.实验证明该方法解决了字符分割不足和多处粘连字符的分割问题,有效的提高了分割的准确率,且算法的时间复杂度较低,算法效率较高.

基于Stroke滤波器的图像文本提取实验设计

在文本初定位、文本验证及笔画提取基础上,设计了一种基于笔画(Stroke)滤波器的图像文本提取实验。首先充分利用文本的笔画特性,借助笔画滤波算子产生一系列反应值,实现文本定位及笔画提取,并利用形态学结构元素去除部分噪声,形成候选文本区域;其次借助图像文本启发性知识进行验证;最后采用笔画区域颜色聚类的方法将文本与背景分离形成二值化文本图像。该实验方案可以检测定位不同类型的图像文本,并形成较好的文本二值图像,具有较强的鲁棒性。同时为培养学生用学到的知识解决实际问题的能力做了一个有益尝试。

非清晰区域抑制下的显著对象检测方法

基于上下文感知的显著区域检测模型(Context-Aware,CA)对于大目标和复杂背景图像中显著对象检测存在检测内容缺失和误检的问题.在CA模型的基础上,引入图像清晰度的视觉反差特性,提出非清晰区域抑制下的图像显著对象检测方法.该方法以离散度作为判断图像中是否存在清晰度差异的标准,并对存在差异的图像进行抑制.实验结果表明,非清晰区域抑制的CA方法可以在较好的解决大目标检测和复杂背景误检问题,提高了显著对象检测精度.

基于显著对象的贝叶斯多目标检测方法

针对多目标图像检测存在的误检问题,结合低层特征和中层提示,提出了一个新的基于显著对象的贝叶斯框架下的多目标检测方法。该方法首先用上下文感知显著检测方法获取图像的低层特征信息,然后用Ncut图像分割取得图像的显著中层信息提示,即多目标的类别标签信息,根据低层和中层信息提示来计算先验显著图,最后使用贝叶斯方法计算获得图像的后验显著图。实验结果表明,该方法提高了显著对象检测精度,并且可以较好地解决多目标检测误检问题。